对于很多追求长期增长的公司而言，真正的挑战并非来自外部竞争，而是源于内部协作。
随着组织变大，沟通成本和误解呈指数级上升。而这种混乱，最先爆发在我们的数据系统中。
你是否也观察到这种现象：在会议上，我们看着同一份报表，讨论着同一个指标，比如“上周客户数”。可聊到最后才猛然发现，你口中的“客户数”和我理解的“客户数”，根本就不是一回事。
你可能在想上周“新增”了多少客户，而我却以为是截至上周末我们“总共”拥有多少客户。
我们每天都在和数据打交道，我们都相信数据是客观、理性的。但我们常常忽略一点：
数据不说谎，可我们对数据的解读，却可能充满误解。这些看似微小的分歧，日积月累，足以让我们整个团队的努力偏离航向。
为了提升沟通效率，在 AfterShip，我们构建了 CLEAR 框架：
Context (背景)；
Language (共同语言)；
Evaluation (评估体系)；
Action (驱动行动)；
Reality-Check (现实检验)。
在这里，我们希望首次完整地分享这套框架，为所有致力于构建高效、数据驱动型组织的创业者提供一些参考。
C - Context (背景): 我们的数据，指向何方？
在深入任何一个数据点之前，我们必须先回答一些问题：
我们为什么要看这个数据？它在我们共同的目标中，扮演着什么角色？
这个指标能给我们带来什么思考？我们接下来可以如何改善这个指标来帮助业务更好的发展？
这就是背景。一个孤立的指标是没有意义的，除非它能和我们共同的使命关联起来。
假设对于某家 SaaS 公司而言，其今年的重点战略指标是‘提升客户留存率’。
那么当这家公司的团队在讨论“营收”或“用户数”等指标并制定公司策略时，就需要时刻思考：这些指标的增长，是否真正驱动了重点战略指标的提升？
有了这个共同的背景作为导航，我们才不会在数据的海洋中迷失，所有团队的努力也将指向同一个方向。
那么，当方向明确后，又该如何确保彼此的沟通在同一个频道上呢？
L - Language (共同语言): 我们说的，是同一件事吗？
我们需要为核心指标建立一套共同的语言，从而彻底消除“我以为”式的沟通。
首先，我们要明确一个指标背后的业务意图 (Business Intent)。
以 Revenue (营收) 为例，当有人问“我们的 Revenue 是多少？”时，他想知道的是过去 12 个月的收入，还是今年年初至今的收入？
这两者是完全不同的数字，服务于不同的商业目的。
与此同时，当一个指标需要被公司上下普遍使用和理解时，我们也要尽量保持定义的简洁和直观。
比如 “在线时长” 往往比 “核心页面的前端有效曝光时长” 更容易传播和统一理解。虽然后者可以剔除一些非核心页面或无效曝光，但从驱动公司全员朝着同一目标前进的角度来看，前者的效果更好。
其次，我们需要给出唯一且可量化的定义与公式 (Definition & Formula)。
在跟团队沟通定义的时候，我们需要特别注意：不要发明新的术语或者定义，而是尽量遵从行业标准的术语和定义。
好的数据定义通常可以公式化。当一个指标能用公式表达，且公式中的每个元素都有明确的行业标准定义时，我们才能建立起统一的语言。
以平均客单价为例，平均客单价是指在特定时间范围内，每一个订单的平均消费金额。它是衡量客户价值和业务收入能力的核心指标之一。
用公式来表示则是：平均客单价 = 特定时段内总销售额 / 同期总订单数。
最后，我们还要明确观察数据的范围和单位。
比如客户数，一个好的定义应该是：截至 XX 时区的 XX 时间，在我们系统中所有本月付费金额大于 $0 的客户总数。
又比如说，某个客户在 XX 时区的 XX 时间跟我们签了 100 万的合同，我们也需要明确这个合同金额的单位究竟是美元、人民币，还是什么货币种类。
你看，这里明确了时间、客户定义、范围和单位，就不会再产生误解。
当我们拥有了清晰的指标定义，下一步自然就是如何科学地去解读它。
E - Evaluation (评估体系): 如何科学地解读数据？
有了清晰的定义，我们还需要一个科学的评估体系来正确地解读数据。
首先，我们要学会区分领先指标和滞后指标。
滞后指标，如“季度营收”，衡量的是我们过去行为所产生的最终结果。
而领先指标，如“新增试用用户数”，则用于衡量那些能够驱动未来结果的过程，它的变化能够预示我们未来的表现。一个健康的评估体系，必须两者兼备。
其次，我们要为数据选择恰当的表达方式，比如究竟想看绝对值还是百分比。
以客户数波动举例。
假设在 2025-08-01 到 2025-08-10 UTC 期间，我们的每日新增客户数如下：
如果我们只看每日变化的百分比，图表可能会上下剧烈起伏，这会让我们很难判断整体趋势的好坏，甚至很容易为了一次 -5% 的波动而过度焦虑。
但在这种情况下，如果我们观察客户总数的“绝对值”趋势，就能看到一条虽然有小幅波动，但整体稳步上扬的曲线，帮助我们看到一个更宏观、更真实的长期走向。
又比如我们想评估续约业务的表现，我们是应该看“续约合同的数量”（绝对值），还是“续约合同的百分比”？
如果我们的目标是维持客户基本盘的规模，那么“续约合同的数量”这个绝对值就非常重要。
但如果我们想评估续约团队的工作效率，那么“续约合同的百分比”则能更好地反映真实的工作表现。
然后，我们要选择有意义的参照系。
比如对于销售周期长达几个月到半年的企业客户，如果我们单看每个月的数据，可能会有很大的波动（以下数据纯属虚构）。
但是如果我们看每个季度的数据，那么波动就会小很多。
我们还可以与去年同期进行比较，以排除季节性因素，得出更加准确的判断。
但对于转化周期很短的线上试用业务（比如 14 天免费试用），我们就需要持续关注每双周的数据变化，以便迅速响应市场。
最后，我们需要结合业务的变化来解读数据。
比如最近加强了注册用户的身份认证，预期会发生的变化是 C 端用户中不合规用户的注册被挡住了，注册用户会减少，但是 trial 的转化率以及 trial to paid 的转化率会提升。
那假设数据呈现出来的结果确实也是这样的，即使注册用户数有波动，也符合预期。
所以理想的流程应该是：分析数据->设计实验->设计评估体系->上线实验->实验效果评估->进一步优化实验。
解读数据之后，最关键的一步就是行动。那么，数据又该如何有效地驱动我们的行动呢？
A - Action (驱动行动): 这个数字，能让我们立刻决策吗？
数据的最终价值在于驱动行动。一个理想的指标，应该在我们看到它变化的瞬间，就能清晰地知道下一步该做什么。
我们可以将指标的可行动性分为三个等级。
最理想的是单点可行动指标。
比如说我们推了某一个能够带来新客户的活动，如果本周数据大涨，我们可以立刻追加投入；如果未达预期，我们也可以立刻调整策略。它的反馈回路极短。
我们日常接触最多的是趋势可行动指标。
比如观察某个渠道客户的转化率和留存率，我们不能因单日波动而过度反应，而是需要观察连续多个周期形成的趋势来做判断。
最后是滞后验证性指标。
比如 LTV (客户终身价值)，它能验证我们过去的策略是否正确，但缺点是反馈周期长。例如，当发现 LTV 趋势下降时，原因可能发生在半年前。
除了行动力，我们还需要避免副作用，因此我们还需要引入护栏指标（保护整体健康，避免单一优化带来负面效果的辅助性指标），来确保由数据驱动的行动是健康的。
以 AI 处理客服工单为例，我们的核心指标是提升“AI 处理工单的百分比”，但必须设立一个护栏指标，比如“客户满意度”。只有在客户满意度不下降的前提下，对核心指标的优化才是有意义的。
R - Reality-Check (现实检验): 我们看到的，是完整的真相吗？
在根据数据采取行动之前，我们必须进行最后一步：现实检验。
首先，我们要从关注单一指标到关注指标系统。
业务是一个复杂的系统，优化一个指标，往往会影响另一个指标。
比如，销售团队为了提升 ARR (Annual Recurring Revenue，年度经常性收入)，转向规模更大的企业客户，这会导致 Pipeline 金额增加。但同时，Won Rate (赢单率) 可能会降低，Deal Cycle Time (成交周期) 可能会延长。
如果我们孤立地看效率指标，可能会得出悲观结论。但现实检验要求我们退后一步，如果最终获得的 ARR 增长更高，这可能就是一个值得的权衡。
其次，我们要关注短期增长背后的长期健康。
对于刚才案例中实现的高 ARR 增长，我们必须追问：这些新客户是健康的吗？他们会长期留存吗？
这时，我们就需要引入像 NDR (Net Dollar Retention Rate，净收入留存率) 或 LTV (Customer Lifetime Value，客户终身价值)这样的健康度指标来检验增长的可持续性。
最后，我们要警惕把相关性错当成因果性。
数据可能会告诉我们，“网站访问时长”越长的用户，“付费转化率”越高。但如果我们因此强制用户停留更长时间，很可能会适得其反。
因为真相很可能是：那些本身就有强烈付费意愿的用户，才愿意花更长时间浏览。
一个真正数据驱动的团队，会把数据洞察视为“假设”，并通过 A/B 测试等科学方法来验证假设，不断迭代。
总结：用 CLEAR 框架，让数据为我们赋能
让数据成为高效协作的催化剂，而不是沟通的障碍，关键在于团队能否共同遵循这套清晰的 CLEAR 框架：
Context (背景): 将指标与公司目标对齐，确保我们航向一致；
Language (共同语言): 建立统一标准，用同一种语言沟通，杜绝误解；
Evaluation (评估体系): 建立科学体系，正确解读数据背后的故事；
Action (驱动行动): 让数据驱动决策，并用“护栏指标”确保行动安全；
Reality-Check (现实检验): 始终保持全局视角和批判性思维，看到完整的真相。
希望这套 CLEAR 框架，能为你和你的团队带来启发。一起用专业、严谨、一致的数据语言，让每一个决策都有据可依，共同驱动业务走向更成功的未来。
